| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第13-26页 |
| 1.1 引言 | 第13-15页 |
| 1.1.1 视频监控系统的社会背景 | 第13-14页 |
| 1.1.2 视频监控系统的发展前景 | 第14-15页 |
| 1.2 视频监控系统实现方式的分类 | 第15-17页 |
| 1.2.1 模拟视频监控系统 | 第16页 |
| 1.2.2 数字视频监控系统 | 第16-17页 |
| 1.2.3 智能视频监控系统 | 第17页 |
| 1.3 智能视频监控技术 | 第17-22页 |
| 1.3.1 主要特点及其应用 | 第18-20页 |
| 1.3.2 IVSS 的实现技术 | 第20-21页 |
| 1.3.3 主要实现难点 | 第21-22页 |
| 1.4 国内外研究现状 | 第22-23页 |
| 1.5 本文主要研究内容 | 第23-26页 |
| 1.5.1 前景背景分割 | 第23-24页 |
| 1.5.2 事件检测模型 | 第24页 |
| 1.5.3 模型优化算法 | 第24-26页 |
| 第二章 基于高斯混合模型的前景背景分割 | 第26-46页 |
| 2.1 前景背景分割方法综述 | 第26-29页 |
| 2.1.1 背景差法/ 帧差法 | 第26-27页 |
| 2.1.2 光流法 | 第27-29页 |
| 2.1.3 基于高斯混合模型的背景模拟 | 第29页 |
| 2.2 高斯混合模型(GMM) 综述 | 第29-31页 |
| 2.3 基于纹理/ 亮度特征以及训练像素的GMM 的研究 | 第31-39页 |
| 2.3.1 引入纹理/ 亮度特征：消除快速照度变化的误判/ 阴影去除 | 第31-32页 |
| 2.3.2 GMM 中纹理/ 亮度特征的量化计算方案 | 第32-33页 |
| 2.3.3 引入训练像素：消除缓慢照度变化的误判 | 第33页 |
| 2.3.4 GMM 中训练像素的更新方案 | 第33-34页 |
| 2.3.5 前景背景分割质量评价算法 | 第34-36页 |
| 2.3.6 实验验证 | 第36-39页 |
| 2.4 基于最大期望值(EM) 算法的在线自适应GMM 的研究 | 第39-43页 |
| 2.4.1 在线自适应学习：EM 算法 | 第39-40页 |
| 2.4.2 利用EM 算法降低GMM 计算复杂度 | 第40-43页 |
| 2.4.3 实验验证 | 第43页 |
| 2.5 本章小结 | 第43-46页 |
| 第三章 监控事件检测的贝叶斯网络建模及其优化 | 第46-71页 |
| 3.1 监控事件检测方法 | 第46-48页 |
| 3.1.1 基于相似度的检测方法 | 第46-47页 |
| 3.1.2 非监督的检测方法 | 第47页 |
| 3.1.3 基于认知过程的检测方法 | 第47-48页 |
| 3.2 贝叶斯网络(BN) | 第48-53页 |
| 3.2.1 贝叶斯网络综述 | 第49-52页 |
| 3.2.2 动态贝叶斯网络(DBN) | 第52-53页 |
| 3.3 基于BN 的监控事件检测建模 | 第53-60页 |
| 3.3.1 由底向上的BN 层次化结构 | 第53-54页 |
| 3.3.2 由底至上的BN 推导方法 | 第54-56页 |
| 3.3.3 针对非法入侵事件的BN 建模实例 | 第56-60页 |
| 3.4 基于遗传算法(GA) 的BN 模型优化 | 第60-68页 |
| 3.4.1 传统的优化算法 | 第60页 |
| 3.4.2 遗传算法综述 | 第60-62页 |
| 3.4.3 遗传算法的优缺点 | 第62-63页 |
| 3.4.4 面向BN 的GA 建模 | 第63-65页 |
| 3.4.5 面向BN 的GA 机制：选择，交叉，变异 | 第65-66页 |
| 3.4.6 面向BN 的GA 评价函数设计 | 第66-68页 |
| 3.4.7 GA 优化后的BN 模型 | 第68页 |
| 3.5 本章小结 | 第68-71页 |
| 第四章 监控事件检测的隐马尔科夫模型建模及其优化 | 第71-93页 |
| 4.1 隐马尔科夫模型(HMM) | 第71-78页 |
| 4.1.1 隐马尔科夫模型综述 | 第71-75页 |
| 4.1.2 HMM 的优劣 | 第75-76页 |
| 4.1.3 层次化的HMM (LHMM)建模方法 | 第76-78页 |
| 4.2 基于HMM 的监控事件检测建模的研究 | 第78-85页 |
| 4.2.1 基于LHMM 的混合层HMM (CLHMM)建模方案 | 第79-81页 |
| 4.2.2 基于公共特征粒子集(CFPS) 的底层特征提取方案 | 第81-82页 |
| 4.2.3 CLHMM 的推导传递方法 | 第82页 |
| 4.2.4 针对非法入侵事件的CLHMM 建模实例 | 第82-85页 |
| 4.3 基于BAUM-WELCH 算法的CLHMM 网络优化 | 第85-90页 |
| 4.3.1 针对个体HMM 进行优化：Baum-Welch 算法 | 第85-88页 |
| 4.3.2 针对视频整体的Baum-Welch 阈值评价函数的设定 | 第88-90页 |
| 4.3.3 针对CLHMM 层间推导关系的优化 | 第90页 |
| 4.4 本章小结 | 第90-93页 |
| 第五章 实验及其结果分析 | 第93-108页 |
| 5.1 实验目的及评价方法 | 第93-96页 |
| 5.1.1 非法入侵事件检测 | 第93-94页 |
| 5.1.2 面对视频整体检测质量的函数评价方案 | 第94-96页 |
| 5.2 实验环境 | 第96-97页 |
| 5.3 实验数据与结论 | 第97-106页 |
| 5.3.1 基于BN 的监控事件检测方案 | 第97-100页 |
| 5.3.2 基于CLHMM 的监控事件检测方案 | 第100-104页 |
| 5.3.3 基于BN 以及基于CLHMM 的监控事件检测方案的比较 | 第104-106页 |
| 5.4 本章小结 | 第106-108页 |
| 第六章 总结与展望 | 第108-112页 |
| 6.1 本文主要贡献与收获 | 第108-110页 |
| 6.2 存在问题与未来展望 | 第110-112页 |
| 参考文献 | 第112-121页 |
| 附录一 英文缩略语表 | 第121-123页 |
| 攻读硕士学位期间已发表或录用的论文 | 第123-125页 |
| 致谢 | 第125页 |
